CN112509691B - 鉴别诊断的提示方法、装置、电子设备及存储介质 - Google Patents
鉴别诊断的提示方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112509691B CN112509691B CN202011375642.1A CN202011375642A CN112509691B CN 112509691 B CN112509691 B CN 112509691B CN 202011375642 A CN202011375642 A CN 202011375642A CN 112509691 B CN112509691 B CN 112509691B
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- results
- result
- diagnostic
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003748 differential diagnosis Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000003745 diagnosis Methods 0.000 claims abstract description 305
- 208000024891 symptom Diseases 0.000 claims abstract description 98
- 238000012549 training Methods 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 19
- 238000007689 inspection Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000003058 natural language processing Methods 0.000 abstract description 2
- 201000010099 disease Diseases 0.000 description 34
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 34
- 238000012545 processing Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 206010039101 Rhinorrhoea Diseases 0.000 description 2
- 206010044314 Tracheobronchitis Diseases 0.000 description 2
- 206010046306 Upper respiratory tract infection Diseases 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 208000010753 nasal discharge Diseases 0.000 description 2
- 206010002388 Angina unstable Diseases 0.000 description 1
- 206010028748 Nasal obstruction Diseases 0.000 description 1
- 208000007814 Unstable Angina Diseases 0.000 description 1
- 206010000891 acute myocardial infarction Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 206010022000 influenza Diseases 0.000 description 1
- 201000004332 intermediate coronary syndrome Diseases 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本公开公开了鉴别诊断的提示方法、装置、电子设备及存储介质，涉及人工智能领域，特别是自然语言处理和知识图谱技术，可用于辅助诊断决策场景下。具体实现方案为：基于目标对象的病历信息获取N个第一诊断结果以及所述目标对象的症状相关信息；N为大于等于1的整数；基于所述目标对象的症状相关信息以及诊断模型，确定M个第二诊断结果；M为大于等于1的整数；基于所述N个第一诊断结果以及所述M个第二诊断结果，生成L个鉴别关系对；L为大于等于1的整数；基于所述L个鉴别关系对，生成鉴别诊断提示信息。
Description
技术领域
本公开涉及计算机技术领域。本公开尤其涉及人工智能领域，特别是自然语言处理和知识图谱技术，可用于辅助诊断决策场景下。
背景技术
现有针对患者的鉴别诊断处理中，完全依赖与鉴别知识，比如权威书籍、临床指南中提到的某两个疾病之间的鉴别以及其对应的鉴别理由，疾病及其鉴别关系是不会变化的。由此，现有技术存在无法结合具体的情况进行结合分析得到鉴别诊断的相关提醒，因此可能会出现大量无效或冗余的提醒信息，从而影响鉴别诊断的准确性。
发明内容
本公开提供了一种鉴别诊断的提示方法、装置、电子设备及存储介质。
根据本公开的一方面，提供了一种鉴别诊断的提示方法，包括：
基于目标对象的病历信息获取N个第一诊断结果以及所述目标对象的症状相关信息；N为大于等于1的整数；
基于所述目标对象的症状相关信息以及诊断模型，确定M个第二诊断结果；M为大于等于1的整数；
基于所述N个第一诊断结果以及所述M个第二诊断结果，生成L个鉴别关系对；L为大于等于1的整数；
基于所述L个鉴别关系对，生成鉴别诊断提示信息。
根据本公开的另一方面，提供了一种鉴别诊断的提示装置，包括：
信息识别模块，用于基于目标对象的病历信息获取N个第一诊断结果以及所述目标对象的症状相关信息；N为大于等于1的整数；
结果确定模块，用于基于所述目标对象的症状相关信息以及诊断模型，确定M个第二诊断结果；M为大于等于1的整数；
鉴别关系确定模块，用于基于所述N个第一诊断结果以及所述M个第二诊断结果，生成L个鉴别关系对；L为大于等于1的整数；
提示信息生成模块，用于基于所述L个鉴别关系对，生成鉴别诊断提示信息。
根据本公开的一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述方法。
根据本公开的一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行前述方法。
根据本公开的一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上所述的方法。
根据本公开的技术，可以结合目标对象的病历信息得到第一诊断结果以及基于病历信息确定的目标对象的症状相关信息确定的第二诊断结果，基于第一诊断结果以及第二诊断结果可以确定鉴别关系对，进而生成鉴别诊断提示信息。如此，可以使得最终得到的鉴别诊断提示信息与目标对象的病历信息之间具备密切的相关性，避免现有技术中最终出现大量无关诊断结果对应的提醒信息所带来的影响诊断的问题。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开实施例的鉴别诊断的提示方法流程示意图一；
图2是根据本公开实施例的鉴别关系对的示意图；
图3是根据本公开实施例的知识图谱组成示意图；
图4-1是根据本公开实施例的鉴别诊断的提示方法流程示意图二；
图4-2是相关技术中鉴别诊断提示的场景示意图；
图5是根据本公开实施例的鉴别诊断的提示装置组成结构示意图一；
图6是根据本公开实施例的鉴别诊断的提示装置组成结构示意图二；
图7是用来实现本公开实施例的鉴别诊断的提示方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
本公开的第一实施例提供了一种鉴别诊断的提示方法，如图1所示，包括：
S101：获取目标对象的病历信息，基于所述目标对象的所述病历信息获取N个第一诊断结果以及所述目标对象的症状相关信息；N为大于等于1的整数；
S102：基于所述目标对象的症状相关信息以及诊断模型，确定M个第二诊断结果；M为大于等于1的整数；
S103：基于所述N个第一诊断结果以及所述M个第二诊断结果，生成L个鉴别关系对；L为大于等于1的整数；
S104：基于所述L个鉴别关系对，生成鉴别诊断提示信息。
本实施例可以应用于电子设备，所述电子设备可以为服务器或终端设备。
上述目标对象可以为患者，也就是输入的为患者的病历信息。所述目标对象的病历信息的获取方式可以是由医生在自己使用的电子设备中输入的，又或者是对目标对象的病历信息进行扫描上传到电子设备中的。
基于目标对象的病历信息获取N个第一诊断结果以及所述目标对象的症状相关信息，可以是：
基于自然语言理解(Natural Language Understanding，NLU)的二级结构化处理，将所述目标对象的病历信息中包含的要素识别出来；
基于识别出来的各个要素确定所述目标对象的病历信息中包含的医生的诊断结果，将所述医生的诊断结果作为所述第一诊断结果；并确定所述目标对象的症状相关信息。
需要指出的是，所述医生的诊断结果可能并不只有一个，在所述目标对象的病历信息中可以包含有一个或多个医生的诊断结果，也就是N个第一诊断结果，N可以为1也可以为大于1的整数。
所述目标对象的症状相关信息可以包括以下至少之一：所述目标对象的症状、体征、历史病历、家族病史等。
基于所述目标对象的症状相关信息以及诊断模型，确定M个第二诊断结果，可以包括：将所述目标对象的症状相关信息输入所述诊断模型，得到所述诊断模型输出的一个或多个候选诊断结果；基于一个或多个候选诊断结果，确定M个第二诊断结果。
上述任意一个第一诊断结果或者任意一个第二诊断结果，可以是疾病的名称，比如，可以是流感、心肌梗塞等等。
其中，所述诊断模型可以为预设的训练好的模型，其输入为目标对象的症状相关信息，输出为一个或多个候选诊断结果。在其他示例中，所述诊断模型还可以称为疑似诊断模型；所述候选诊断结果还可以称为疑似诊断结果，或推荐的诊断结果等等，本实施例不对其名称进行穷举。
基于所述N个第一诊断结果以及所述M个第二诊断结果，生成L个鉴别关系对，可以是判断M个第二诊断结果中的任意一个第二诊断结果与N个第一诊断结果中的任意一个第一诊断结果之间的诊断理由是否相同，得到诊断理由是否相同的判断结果；将所述判断结果为诊断理由相同的第一诊断结果以及第二诊断结果作为一个鉴别关系对。
基于所述L个鉴别关系对，生成鉴别诊断提示信息，具体可以是：
基于所述L个鉴别关系对以及知识图谱，生成每一个鉴别关系对中的第一诊断结果以及第二诊断结果所关联的检查项目的相关信息和/或检验项目的相关信息。
其中，所述知识图谱可以为预设的，在所述知识图谱中可以包括有多种类别的节点，以及不同类别的节点之间的关联关系。
可见，通过采用上述方案，就可以结合目标对象的病历信息得到第一诊断结果以及基于病历信息确定的目标对象的症状相关信息确定的第二诊断结果，基于第一诊断结果以及第二诊断结果可以确定鉴别关系对，进而生成鉴别诊断提示信息。如此，可以使得最终得到的鉴别诊断提示信息与目标对象的病历信息之间具备密切的相关性，避免现有技术中最终出现大量无关诊断结果对应的提醒信息所带来的影响诊断的问题。
所述基于所述目标对象的症状相关信息以及诊断模型，确定M个第二诊断结果，包括：将所述目标对象的症状相关信息输入所述诊断模型，得到所述诊断模型输出的候选诊断结果；基于所述N个第一诊断结果以及所述候选诊断结果，确定所述M个第二诊断结果。
具体的，所述将所述目标对象的症状相关信息输入所述诊断模型，得到所述诊断模型输出的候选诊断结果。这里，所述候选诊断结果可以指的是一个或多个，可以为大于等于M；每一个所述候选诊断结果中包含的为疾病，具体可以为疾病的名称。
基于所述N个第一诊断结果以及所述候选诊断结果，确定所述M个第二诊断结果，可以包括：
将所述候选诊断结果组成候选集；遍历所述候选集逐个判断每一个候选诊断结果是否将其作为第二诊断结果，以进行后续的鉴别诊断提示信息的生成。针对每一个候选诊断结果，当出现以下情况之一时不将其作为第二诊断结果，也就是不再生成鉴别诊断提示信息的时候使用该候选诊断结果：
所述候选诊断结果已经存在于医生诊断得到的N个第一诊断结果中；
所述候选诊断结果是医生诊断得到的N个第一诊断结果中某个第一诊断结果的下位疾病；
所述候选诊断结果是医生诊断得到的N个第一诊断结果中某个第一诊断结果的上位疾病；
所述候选诊断结果是医生诊断得到的N个第一诊断结果中某个第一诊断结果的别名；
在目标对象的病历信息中存在所述候选诊断结果的否定征(也就是否则症状和/或体征)；
该目标对象的病历信息中的信息已经能够确诊，且确诊的疾病在医生诊断的N个第一诊断结果中。
如此，在采用诊断模型进行处理的过程中，采用了目标对象的症状相关信息，该目标对象的症状相关信息又是从目标对象的病历信息中识别得到的，因此采用诊断模型确定的候选诊断结果能够与目标对象的病历信息具备强相关性，从而使得最终得到的第二诊断结果更加符合目标对象的实际情况，也使得最终得到的鉴别诊断提示信息更加准确。
所述基于所述N个第一诊断结果以及所述M个第二诊断结果，生成L个鉴别关系对，包括：
在所述M个第二诊断结果中的第i个第二诊断结果与所述N个第一诊断结果中的第j个第一诊断结果之间的诊断理由相同的情况下，将所述第i个第二诊断结果与第j个第一诊断结果作为一个鉴别关系对；i为大于等于1且小于等于M的整数；j为大于等于1且小于等于N的整数。
示例性的，上述判断第i个第二诊断结果与所述第j个诊断结果是否对应相同的诊断理由的确定方式可以采用预设的诊断理由模型进行识别。比如，所述预设的诊断理由模型的输入可以为：第i个第二诊断结果、第j个第一诊断结果、所述目标对象的症状相关信息，输出可以相同或不同的判别结果。其中，相同的判别结果可以指的是第i个第二诊断结果、第j个第一诊断结果的诊断理由相同，不同的判别结果可以指的第i个第二诊断结果、第j个第一诊断结果的诊断理由不相同。其中，诊断理由具体为目标对象的症状相关信息中包含的一种或多个症状和/或一种或多种体征。
又或者，判断任意一个第二诊断结果与医生诊断组中的某一个第一诊断结果互为鉴别关系对。判断方法是，两个诊断结果需要在病历中有共同的诊断理由(诊断理由指的是目标对象的症状相关信息中包含的症状和/或体征)。比如某第二诊断结果(急性气管支气管炎)与医生诊断得到的某一个第一诊断结果(急性上呼吸道感染)在诊断理由中共同命中了“鼻塞、流涕”，则该第一诊断结果与第二诊断结果可以认为互为一个鉴别关系对。以此类推，最终可以生成一组或多组鉴别关系对。
上述一组或多组鉴别关系对可以如图2所示，假设N个第一诊断结果具体为2个第一诊断结果，分别称为第一诊断结果A1、第一诊断结果A2，M个第二诊断结果具体为3个，分别为第二诊断结果B1、第二诊断结果B2以及第二诊断结果B3；鉴别关系对如图2所示，包含有第一诊断结果A1与第二诊断结果B2，第一诊断结果A2与第二诊断结果B3两个鉴别关系对。
需要指出的是，在生成L个鉴别关系对的时候，可能存在一个或多第一诊断结果没有出现在最终的L个鉴别关系对中，和/或存在一个或多个第二诊断结果没有出现在最终的L个鉴别关系对中，针对这部分没有出现在最终的L个鉴别关系对中的第一诊断结果以及第二诊断结果，可以直接删除不做后续分析。
如此，可以基于第一诊断结果以及第二诊断结果对应的诊断理由是否相同来进行配对，再基于鉴别关系对来进行后续的鉴别诊断提示信息的确定，可以进一步剔除与目标对象的症状相关性较低的一部分诊断结果，保证最终生成的鉴别诊断提示信息的准确率更高。
所述基于所述L个鉴别关系对，生成鉴别诊断提示信息，包括：
基于所述L个鉴别关系对中的第k个鉴别关系对以及知识图谱，确定所述第k个鉴别关系对中包含的第一诊断结果与第二诊断结果在所述知识图谱中共同关联的检查项目信息；其中，k为大于等于1且小于等于L的整数。
其中，所述知识图谱可以为预设的，在所述知识图谱中可以包括有多种类别的节点，以及不同类别的节点之间的关联关系。举例来说，所述知识图谱中可以包括有疾病类节点、症状类节点、体征类节点、检查项目或检验项目类节点。比如图3所示，知识图谱中包含疾病A、疾病B，症状1～症状4，检验项目1～检验项目3；其中，疾病A与症状1、症状3关联，疾病B与症状2、症状3、症状4关联；并且，疾病A与检验项目1、2关联，疾病B与检验项目2、3关联。需要理解的是，图3仅为一种示例性说明，实际处理中知识图谱的样式可以与图3相同也可以不同，图3的示例不作为对知识图谱的限定。
所述第k个鉴别关系对为所述L个鉴别关系对中的任意一个，对所述L个鉴别关系对中每一个鉴别关系对都进行相同的处理，因此不一一赘述。
在第k个鉴别关系对中包含一个第一诊断结果以及一个第二诊断结果，并且不同的鉴别关系对中包含的第一诊断结果不同和/或第二诊断结果不同。
将所述第k个鉴别关系对中包含的第一诊断结果与所述知识图谱中包含的至少一个疾病进行匹配，在匹配到相同的第一目标疾病后，获取该第一目标疾病在所述知识图谱中所关联的至少一个第一检查项目相关信息；将所述第k个鉴别关系对中包含的第二诊断结果与所述知识图谱中包含的至少一个疾病进行匹配，在匹配到相同的第二目标疾病后，获取该第二目标疾病在所述知识图谱中所关联的至少一个第二检查项目相关信息；将所述至少一个第一检查项目相关信息与所述至少一个第二检查项目相关信息中相同的检查项目相关信息作为所述第k个鉴别关系对对应的鉴别诊断提示信息。依此类推，最终可以得到L个鉴别关系对分别对应的鉴别诊断提示信息。
基于上述处理，可以得到L个鉴别关系对所分别对应的鉴别诊断提示信息，如此可以准确的得到用于确诊的相关提示信息，以使得最终针对目标对象的鉴别诊断的项目更加准确，以快速的进行诊断结果的确定，提升处理效率。
另外，所述方法还包括以下至少之一：
基于所述K个鉴别关系对中的第k个鉴别关系对以及知识图谱，确定所述第k个鉴别关系对中包含的第一诊断结果与第二诊断结果在所述知识图谱中共同关联的相同症状和/或相同体征；
基于所述K个鉴别关系对中的第k个鉴别关系对以及知识图谱，确定所述第k个鉴别关系对中包含的第一诊断结果与第二诊断结果在所述知识图谱中关联的不同症状和/或不同体征。
关于知识图谱在前面实施例已经说明，这里不做赘述。
将所述第k个鉴别关系对中包含的第一诊断结果与所述知识图谱中包含的至少一个疾病进行匹配，获取所述第一诊断结果匹配到的第一目标疾病对应的至少一个第一症状和/或至少一个第一体征；以及，将所述第k个鉴别关系对中包含的第二诊断结果与所述知识图谱中包含的至少一个疾病进行匹配，获取所述第二诊断结果匹配到的第二目标疾病对应的至少一个第二症状和/或至少一个第二体征。
进一步地，判断所述至少一个第一症状和/或至少一个第一体征与所述至少一个第二症状和/或至少一个第二体征是否相同，将相同的症状和/或体征作为所述第k个鉴别关系对中包含的第一诊断结果与第二诊断结果在所述知识图谱中共同关联的相同症状和/或相同体征；
将不同的症状和/或体征作为所述第k个鉴别关系对中包含的第一诊断结果与第二诊断结果在所述知识图谱中关联的不同症状和/或不同体征。
再进一步地，确定所述第k个鉴别关系对中包含的第一诊断结果与第二诊断结果在所述知识图谱中关联的不同症状和/或不同体征，包括：
确定所述第k个鉴别关系对中的第一诊断结果关联、且第二诊断结果不关联的不同症状和/或不同体征；
和/或，
确定所述第k个鉴别关系对中的第二诊断结果关联、且第一诊断结果不关联的不同症状和/或不同体征。
上述内容可以是鉴别诊断提示信息中包含的内容。
也就是说，所述鉴别诊断提示信息除了包含所述第k个鉴别关系对中包含的第一诊断结果与第二诊断结果在所述知识图谱中共同关联的检查项目信息之外，还包含：
所述第k个鉴别关系对中包含的第一诊断结果与第二诊断结果在所述知识图谱中共同关联的相同症状和/或相同体征；
所述第k个鉴别关系对中的第一诊断结果关联、且第二诊断结果不关联的不同症状和/或不同体征；
所述第k个鉴别关系对中的第二诊断结果关联、且第一诊断结果不关联的不同症状和/或不同体征。
其中，所述第k个鉴别关系对中包含的第一诊断结果与第二诊断结果在所述知识图谱中关联的不同症状和/或不同体征的作用可以是提醒医生对上述不同症状和/或不同体征进一步进行检查，进而可以将检查的症状和/或体征添加到目标对象的病历信息中。这里，将检查的症状和/或体征添加到目标对象的病历信息中可以理解为对目标对象的病历信息进行了更新；相应的，还可以基于更新后的病历重新执行上述S101-S104的处理，以进一步得到更加准确的鉴别诊断提示信息。
可见，通过采用上述方案，就可以结合知识图谱得到鉴别关系对中的两个诊断结果所关联的不同症状和/或体征，以及相同症状和/或体征，从而可以进一步提醒进行不同症状和/或不同体征的检查，避免漏检的问题。
针对前述实施例的诊断模型训练的方式进行说明。
所述方法还包括：采用训练样本对预设模型进行训练，得到训练后的预设模型，将所述训练后的所述预设模型作为所述疑似诊断模型；其中，所述训练样本包含本地历史病历信息中的本地历史症状相关信息及其对应的本地历史诊断结果。
这里，所述预设模型可以为神经网络，具体的类型本实施例不进行限定。
所述训练样本可以为训练样本集合中包含的任意一个训练样本，所述训练样本集合包含有一个或多个训练样本。
需要指出的是，所述训练样本集中的训练样本可以是本地历史病历信息中的本地历史症状相关信息及其对应的本地历史诊断结果；此外，所述训练样本集中的训练样本还可以是全部医院的历史病历信息中的历史症状相关信息及其对应的历史诊断结果。
所述本地历史病历信息具体可以指的是目标医院的历史病历信息，所述目标医院可以为要使用本实施例提供的方案生成鉴别诊断提示信息的医院。
所述全部医院可以是包含有当前可以获取到历史病历信息的全部医院，举例来说，某一个国家、或某一个省、某一个市有多个医院，可以是从这些医院分别获取到一个或多个历史病历信息，再从获取到的一个或多个历史病历信息中的每一个历史病历信息中提取历史症状相关信息及其对应的历史诊断结果作为训练数据。
上述从历史病历信息或本地历史病历信息中获取历史症状相关信息及其对应的历史诊断结果的方式，可以通过NLU等处理方式，这里不做穷举。
上述预设模型训练完成的确定方式可以包括：所述预设模型的指标达到预设要求的情况下确定所述预设模型训练完成。其中，指标可以包括：召回率或准确率，和/或还可以包括迭代次数；所述预设要求可以包括以下至少一种：准确率或召回率不再发生变化，迭代次数达到门限值。当然，预设模型完成训练的确定方式可以更多，只是本实施例不再进行穷举。
在得到训练后的预设模型后，可以将该训练后的预设模型作为前述诊断模型使用，进行前述处理，不再重复说明。
这样，可以解决两个问题，一个是推荐的候选诊断结果的准确性由诊断模块保证(经评估准确率在90％以上)，候选诊断结果与所述目标对象的病历信息是强相关的，比如，根据所述目标对象的病历信息的描述，如果“带状疱疹”与所述目标对象的病历信息的相关性几乎为0，那么“带状疱疹”就不会出现在候选诊断结果中，继而也就不会推荐“带状疱疹”为鉴别诊断提示信息；二是保证候选诊断结果具有本地化特色，这是由于诊断模型在经过医院本地化病历的迁移性训练之后，推荐结果将融合权威(书籍)和本院特点，在相似病历的情况下，若某些常见的诊断结果未被医生选中做为第一诊断结果，大概率会将该常见的诊断结果做为候选诊断结果输出，以便后续进行鉴别诊断。
可见，通过采用上述方案，可以将本地历史病历信息中包含的本地历史症状相关信息及其对应的本地历史诊断结果作为训练数据对预设模型进行训练，将训练后的预设模型作为所述诊断模型；如此，可以使得诊断模型能够更有针对性的对本地的当前病历进行识别，使得模型针对本地医院的病历能够提升识别的准确性，减少误诊和漏诊率。并且，由于上述诊断模型结合了历史病历信息进行训练，因此可以使得诊断模型不再局限于书籍中的鉴别知识，大大提升了鉴别诊断的触发率以及覆盖率。
下面结合图4-1，对本申请实施例提供示例性说明，包括：
S401：目标对象的病历信息经过NLU的二级结构化处理，将所述目标对象的病历信息中的症状、体征、疾病等实体要素识别出来，将症状、体征、疾病等作为目标对象的症状相关信息。需要指出的是，本步骤还会得到目标对象的病历信息中的医生诊断结果，将医生诊断结果作为N个第一诊断结果。
S402：将所述目标对象的症状相关信息输入输送给诊断模型(可以是在CDSS(临床决策支持系统，Clinical Decision Support System,CDSS)中的模型)，得到该诊断模型推荐的候选诊断结果。基于所述候选诊断结果可以生成一个候选诊断结果的候选集。
S403：根据该N个第一诊断结果与该候选诊断结果，确定M个第二诊断结果。
也就是已有医生得出的N个第一诊断结果，和候选诊断结果，将两组诊断结果进行比较。具体的比较方式与前述实施例相同，这里不做赘述。
S404：基于所述N个第一诊断结果以及所述M个第二诊断结果，生成L个鉴别关系对。
具体的，对于S403中未被过滤掉的候选诊断结果，可以将其作为M个第二诊断结果，判断任意一个第二诊断结果与医生得出的N个第一诊断结果中的哪个第一诊断结果互为鉴别关系对。
判断方法是，两个诊断需要在病历中有共同的诊断理由，比如某诊断B(急性气管支气管炎)与医生诊断组中的诊断A(急性上呼吸道感染)在诊断理由中共同命中了“鼻塞、流涕”，那么诊断B和诊断A可以认为互为鉴别关系对。由此可以生成多组鉴别关系对。
S405：基于所述L个鉴别关系对，生成鉴别诊断提示信息。
本步骤会利用知识图谱进行处理。鉴别诊断提示信息的格式可以采用书籍中鉴别诊断描述的常见话术：“二者均可出现xxx，但第一诊断结果A独有的症状/体征为yyy，第二诊断结果B独有的症状/体征为zzz，建议检查和/或检验项目www。”其中xxx为第一诊断结果A和第二诊断结果B在知识图谱中共同关联的症状或体征；yyy为第一诊断结果A关联的而第二诊断结果B未关联的症状或体征；zzz为第一诊断结果A未关联而第二诊断结果B关联的症状或体征；www为第一诊断结果A和第二诊断结果B在知识图谱中共同关联的检验和检查项。
需要说明的是，上述S404-S405可以由诊断理由模型(该诊断理由模型在CDSS系统中为预设的模型)来进行处理，比如，可以在诊断理由模型中输入N个第一诊断结果、M个第二诊断结果以及目标对象的症状相关信息，得到所述诊断理由模型输出的鉴别诊断提示信息。
相对于其他鉴别诊断的方式来说，其他的鉴别诊断中完全依赖鉴别知识。也就是说，根据权威书籍、临床指南中明确提到的疾病A应与疾病B的进行鉴别，包括提到的鉴别理由。所有疾病与鉴别疾病的关系是固定不变的，当医生下了疾病A作为第一诊断结果时，会检索到第一诊断结果对应的疾病A的鉴别诊断对应的疾病B，然后提示鉴别疾病B，并给予相应的鉴别理由。比如，参见图4-2，医生的诊断结果为“急性心肌梗死”，依照鉴别知识的建设需要与“不稳定性心绞痛”等多种疾病作为鉴别诊断提示信息。上述相关技术中，在推荐鉴别诊断提示信息时未考虑当前病历的具体情况，而全部是根据固定的知识组合来实现，未参照当前病历或当前医院的任何本地化的信息，如此就导致真正使用的时候，鉴别诊断的提示往往不是最佳就是与当前病历毫不相关。比如图4-2的例子中，根据病历的描述，“带状疱疹”与病历的相关性几乎为0，此处不应推荐“带状疱疹”为鉴别诊断，但是在相关技术中就将其作为鉴别诊断提示信息输出了，这显然是不够准确的。
本申请前述实施例提供的方案就可以结合目标对象的病历信息得到第一诊断结果以及基于病历信息确定的目标对象的症状相关信息确定的第二诊断结果，基于第一诊断结果以及第二诊断结果可以确定鉴别关系对，进而生成鉴别诊断提示信息。如此，可以使得最终得到的鉴别诊断提示信息与目标对象的病历信息之间具备密切的相关性，避免现有技术中最终出现大量无关诊断结果对应的提醒信息所带来的影响诊断的问题。
本公开的第二实施例，提供了一种鉴别诊断的提示装置，如图5所示，包括：
信息识别模块51，用于基于目标对象的病历信息获取N个第一诊断结果以及所述目标对象的症状相关信息；N为大于等于1的整数；
结果确定模块52，用于基于所述目标对象的症状相关信息以及诊断模型，确定M个第二诊断结果；M为大于等于1的整数；
鉴别关系确定模块53，用于基于所述N个第一诊断结果以及所述M个第二诊断结果，生成L个鉴别关系对；L为大于等于1的整数；
提示信息生成模块54，用于基于所述L个鉴别关系对，生成鉴别诊断提示信息。
所述结果确定模块52，用于将所述目标对象的症状相关信息输入所述诊断模型，得到所述诊断模型输出的候选诊断结果；
基于所述N个第一诊断结果以及所述候选诊断结果，确定所述M个第二诊断结果。
所述鉴别关系确定模块53，用于在所述M个第二诊断结果中的第i个第二诊断结果与所述N个第一诊断结果中的第j个第一诊断结果之间的诊断理由相同的情况下，将所述第i个第二诊断结果与第j个第一诊断结果作为一个鉴别关系对；i为大于等于1且小于等于M的整数；j为大于等于1且小于等于N的整数。
所述提示信息生成模块54，用于基于所述L个鉴别关系对中的第k个鉴别关系对以及知识图谱，确定所述第k个鉴别关系对中包含的第一诊断结果与第二诊断结果在所述知识图谱中共同关联的检查项目信息；其中，k为大于等于1且小于等于L的整数。
所述提示信息生成模块54，还用于执行以下至少之一：
基于所述K个鉴别关系对中的第k个鉴别关系对以及知识图谱，确定所述第k个鉴别关系对中包含的第一诊断结果与第二诊断结果在所述知识图谱中共同关联的相同症状和/或相同体征；
基于所述K个鉴别关系对中的第k个鉴别关系对以及知识图谱，确定所述第k个鉴别关系对中包含的第一诊断结果与第二诊断结果在所述知识图谱中关联的不同症状和/或不同体征。
如图6所示，所述装置还包括：
训练模块55，用于采用训练样本对预设模型进行训练，得到训练后的预设模型，将所述训练后的所述预设模型作为所述疑似诊断模型；其中，所述训练样本包含本地历史病历信息中的本地历史症状相关信息及其对应的本地历史诊断结果。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
如图7所示，是根据本公开实施例的鉴别诊断的提示方法的电子设备的框图。该电子设备可以为前述部署设备或代理设备。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示，该电子设备包括：一个或多个处理器801、存储器802，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器801为例。
存储器802即为本公开所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本公开所提供的鉴别诊断的提示方法。本公开的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本公开所提供的鉴别诊断的提示方法。
存储器802作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本公开实施例中的鉴别诊断的提示方法对应的程序指令/模块(例如，附图6所示的信息识别模块、结果确定模块、训练模块、鉴别关系确定模块、提示信息生成模块)。处理器801通过运行存储在存储器802中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的鉴别诊断的提示方法。
存储器802可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器802可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器802可选包括相对于处理器801远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
鉴别诊断的提示方法的电子设备还可以包括：输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接，图7中以通过总线连接为例。
输入装置803可接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置804可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
采用本公开，可以结合目标对象的病历信息得到第一诊断结果以及基于病历信息确定的目标对象的症状相关信息确定的第二诊断结果，基于第一诊断结果以及第二诊断结果可以确定鉴别关系对，进而生成鉴别诊断提示信息。如此，可以使得最终得到的鉴别诊断提示信息与目标对象的病历信息之间具备密切的相关性，避免现有技术中最终出现大量无关诊断结果对应的提醒信息所带来的影响诊断的问题。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (10)
1.一种鉴别诊断的提示方法，包括：
基于目标对象的病历信息获取N个第一诊断结果以及所述目标对象的症状相关信息；N为大于等于1的整数；
基于所述目标对象的症状相关信息以及诊断模型，确定M个第二诊断结果；M为大于等于1的整数；
基于所述N个第一诊断结果以及所述M个第二诊断结果，生成L个鉴别关系对；L为大于等于1的整数；
基于所述L个鉴别关系对，生成鉴别诊断提示信息；
所述基于所述L个鉴别关系对，生成鉴别诊断提示信息，包括：
基于所述L个鉴别关系对中的第k个鉴别关系对以及知识图谱，确定所述第k个鉴别关系对中包含的第一诊断结果与第二诊断结果在所述知识图谱中共同关联的检查项目信息，将所述共同关联的检查项目信息作为所述第k个鉴别关系对对应的鉴别诊断提示信息，得到所述L个鉴别关系对分别对应的鉴别诊断提示信息；其中，k为大于等于1且小于等于L的整数；
所述基于所述N个第一诊断结果以及所述M个第二诊断结果，生成L个鉴别关系对，包括：
在所述M个第二诊断结果中的第i个第二诊断结果与所述N个第一诊断结果中的第j个第一诊断结果之间的诊断理由相同的情况下，将所述第i个第二诊断结果与第j个第一诊断结果作为一个鉴别关系对；i为大于等于1且小于等于M的整数；j为大于等于1且小于等于N的整数，所述诊断理由为所述目标对象的症状相关信息中包含的一种或多种症状和/或一种或多种体征。
2.根据权利要求1所述的方法，其中，所述基于所述目标对象的症状相关信息以及诊断模型，确定M个第二诊断结果，包括：
将所述目标对象的症状相关信息输入所述诊断模型，得到所述诊断模型输出的候选诊断结果；
基于所述N个第一诊断结果以及所述候选诊断结果，确定所述M个第二诊断结果。
3.根据权利要求1所述的方法，其中，所述方法还包括以下至少之一：
基于所述L个鉴别关系对中的第k个鉴别关系对以及知识图谱，确定所述第k个鉴别关系对中包含的第一诊断结果与第二诊断结果在所述知识图谱中共同关联的相同症状和/或相同体征；
基于所述L个鉴别关系对中的第k个鉴别关系对以及知识图谱，确定所述第k个鉴别关系对中包含的第一诊断结果与第二诊断结果在所述知识图谱中关联的不同症状和/或不同体征。
4.根据权利要求1-3任一项所述的方法，其中，所述方法还包括：
采用训练样本对预设模型进行训练，得到训练后的预设模型，将所述训练后的所述预设模型作为所述诊断模型；其中，所述训练样本包含本地历史病历信息中的本地历史症状相关信息及其对应的本地历史诊断结果。
5.一种鉴别诊断的提示装置，包括：
信息识别模块，用于基于目标对象的病历信息获取N个第一诊断结果以及所述目标对象的症状相关信息；N为大于等于1的整数；
结果确定模块，用于基于所述目标对象的症状相关信息以及诊断模型，确定M个第二诊断结果；M为大于等于1的整数；
鉴别关系确定模块，用于基于所述N个第一诊断结果以及所述M个第二诊断结果，生成L个鉴别关系对；L为大于等于1的整数；
提示信息生成模块，用于基于所述L个鉴别关系对，生成鉴别诊断提示信息；
所述提示信息生成模块，用于基于所述L个鉴别关系对中的第k个鉴别关系对以及知识图谱，确定所述第k个鉴别关系对中包含的第一诊断结果与第二诊断结果在所述知识图谱中共同关联的检查项目信息，将所述共同关联的检查项目信息作为所述第k个鉴别关系对对应的鉴别诊断提示信息，得到所述L个鉴别关系对分别对应的鉴别诊断提示信息；其中，k为大于等于1且小于等于L的整数；
所述鉴别关系确定模块，用于在所述M个第二诊断结果中的第i个第二诊断结果与所述N个第一诊断结果中的第j个第一诊断结果之间的诊断理由相同的情况下，将所述第i个第二诊断结果与第j个第一诊断结果作为一个鉴别关系对；i为大于等于1且小于等于M的整数；j为大于等于1且小于等于N的整数，所述诊断理由为所述目标对象的症状相关信息中包含的一种或多种症状和/或一种或多种体征。
6.根据权利要求5所述的装置，其中，所述结果确定模块，用于将所述目标对象的症状相关信息输入所述诊断模型，得到所述诊断模型输出的候选诊断结果；
基于所述N个第一诊断结果以及所述候选诊断结果，确定所述M个第二诊断结果。
7.根据权利要求5所述的装置，其中，所述提示信息生成模块，还用于执行以下至少之一：
基于所述L个鉴别关系对中的第k个鉴别关系对以及知识图谱，确定所述第k个鉴别关系对中包含的第一诊断结果与第二诊断结果在所述知识图谱中共同关联的相同症状和/或相同体征；
基于所述L个鉴别关系对中的第k个鉴别关系对以及知识图谱，确定所述第k个鉴别关系对中包含的第一诊断结果与第二诊断结果在所述知识图谱中关联的不同症状和/或不同体征。
8.根据权利要求5-7任一项所述的装置，其中，所述装置还包括：
训练模块，用于采用训练样本对预设模型进行训练，得到训练后的预设模型，将所述训练后的所述预设模型作为所述诊断模型；其中，所述训练样本包含本地历史病历信息中的本地历史症状相关信息及其对应的本地历史诊断结果。
9.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011375642.1A CN112509691B (zh) | 2020-11-30 | 2020-11-30 | 鉴别诊断的提示方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011375642.1A CN112509691B (zh) | 2020-11-30 | 2020-11-30 | 鉴别诊断的提示方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112509691A CN112509691A (zh) | 2021-03-16 |
| CN112509691B true CN112509691B (zh) | 2024-04-19 |
Family
ID=74969478
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011375642.1A Active CN112509691B (zh) | 2020-11-30 | 2020-11-30 | 鉴别诊断的提示方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112509691B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI776638B (zh) * | 2021-08-17 | 2022-09-01 | 臺中榮民總醫院 | 以人工智慧技術輔助多疾病決策與即時資訊回饋的醫療照護系統 |
| CN116612879B (zh) * | 2023-07-19 | 2023-09-26 | 北京惠每云科技有限公司 | 诊断结果预测方法、装置、电子设备及存储介质 |
| CN118098475A (zh) * | 2024-04-22 | 2024-05-28 | 来未来科技(浙江)有限公司 | 一种鉴别诊断文书生成方法、装置、设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109545384A (zh) * | 2018-11-21 | 2019-03-29 | 上海依智医疗技术有限公司 | 一种医学诊断方法及装置 |
| CN109599185A (zh) * | 2018-11-14 | 2019-04-09 | 金色熊猫有限公司 | 疾病数据处理方法、装置、电子设备及计算机可读介质 |
| CN109935336A (zh) * | 2019-01-15 | 2019-06-25 | 北京思普科软件股份有限公司 | 一种儿童呼吸科疾病的智能辅助诊断方法及诊断系统 |
| CN110335676A (zh) * | 2019-07-09 | 2019-10-15 | 泰康保险集团股份有限公司 | 数据处理方法、装置、介质及电子设备 |
| CN110490251A (zh) * | 2019-03-08 | 2019-11-22 | 腾讯科技（深圳）有限公司 | 基于人工智能的预测分类模型获取方法及装置、存储介质 |
| CN111028934A (zh) * | 2019-12-23 | 2020-04-17 | 科大讯飞股份有限公司 | 诊断质检方法、装置、电子设备和存储介质 |
| CN111261286A (zh) * | 2020-02-17 | 2020-06-09 | 清华大学 | 辅助诊断模型构建方法、诊断方法、装置、设备及介质 |
| CN111710412A (zh) * | 2020-05-29 | 2020-09-25 | 北京百度网讯科技有限公司 | 诊断结果的校验方法、装置及电子设备 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11626208B2 (en) * | 2016-08-31 | 2023-04-11 | International Business Machines Corporation | System, method and computer program product for ensemble-based cognitive online health system for effective disease diagnosis |
| JP2020126284A (ja) * | 2019-02-01 | 2020-08-20 | コニカミノルタ株式会社 | 情報処理装置、診断支援システム及びプログラム |
-
2020
- 2020-11-30 CN CN202011375642.1A patent/CN112509691B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109599185A (zh) * | 2018-11-14 | 2019-04-09 | 金色熊猫有限公司 | 疾病数据处理方法、装置、电子设备及计算机可读介质 |
| CN109545384A (zh) * | 2018-11-21 | 2019-03-29 | 上海依智医疗技术有限公司 | 一种医学诊断方法及装置 |
| CN109935336A (zh) * | 2019-01-15 | 2019-06-25 | 北京思普科软件股份有限公司 | 一种儿童呼吸科疾病的智能辅助诊断方法及诊断系统 |
| CN110490251A (zh) * | 2019-03-08 | 2019-11-22 | 腾讯科技（深圳）有限公司 | 基于人工智能的预测分类模型获取方法及装置、存储介质 |
| CN110335676A (zh) * | 2019-07-09 | 2019-10-15 | 泰康保险集团股份有限公司 | 数据处理方法、装置、介质及电子设备 |
| CN111028934A (zh) * | 2019-12-23 | 2020-04-17 | 科大讯飞股份有限公司 | 诊断质检方法、装置、电子设备和存储介质 |
| CN111261286A (zh) * | 2020-02-17 | 2020-06-09 | 清华大学 | 辅助诊断模型构建方法、诊断方法、装置、设备及介质 |
| CN111710412A (zh) * | 2020-05-29 | 2020-09-25 | 北京百度网讯科技有限公司 | 诊断结果的校验方法、装置及电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| 相鹏 ; 孔祥琛 ; 罗德芳 ; .基于人工智能的CDSS诊断符合率研究.中国卫生信息管理杂志.2018,(05),全文. * |
| 黄岚 ; 纪林影 ; 姚刚 ; 翟睿峰 ; 白天 ; .面向误诊提示的疾病-症状语义网构建.吉林大学学报(工学版).2017,(03),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112509691A (zh) | 2021-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112509691B (zh) | 鉴别诊断的提示方法、装置、电子设备及存储介质 | |
| CN111681726B (zh) | 电子病历数据的处理方法、装置、设备和介质 | |
| CN111710412B (zh) | 诊断结果的校验方法、装置及电子设备 | |
| US8639678B2 (en) | System for generating a medical knowledge base | |
| CN111753543A (zh) | 药物推荐方法、装置、电子设备及存储介质 | |
| CN112329964B (zh) | 用于推送信息的方法、装置、设备以及存储介质 | |
| US20220326972A1 (en) | Server-based machine learning classifier and rules engine for providing a medical best practice recommendation based on a user-entered medical observation of a patient | |
| CN111832298B (zh) | 病历的质检方法、装置、设备以及存储介质 | |
| JP2020501278A (ja) | 健康状態の計算解析を容易化するシステム及び方法 | |
| US10692593B1 (en) | Identifying events in a badge of a graphical user interface | |
| CN111475713A (zh) | 医生信息推荐方法、装置、电子设备、系统及存储介质 | |
| CN112530576A (zh) | 一种线上医患匹配方法、装置、电子设备及存储介质 | |
| CN111326251B (zh) | 一种问诊问题输出方法、装置以及电子设备 | |
| CN111460116B (zh) | 问答方法、问答系统、电子设备和存储介质 | |
| CN111640511B (zh) | 医疗事实验证的方法、装置、电子设备及存储介质 | |
| US10586615B2 (en) | Electronic health record quality enhancement | |
| US12002585B2 (en) | Apparatus, computer program product, and method for predictive data labelling using a dual-prediction model system | |
| CN112115697A (zh) | 用于确定目标文本的方法、装置、服务器以及存储介质 | |
| US20210210183A1 (en) | Semantic Graph Textual Coding | |
| Zhang et al. | Rethinking human-ai collaboration in complex medical decision making: A case study in sepsis diagnosis | |
| CN113838573B (zh) | 临床辅助决策诊断自学习方法、装置、设备和存储介质 | |
| CN112509692B (zh) | 用于匹配医学表达的方法、装置、电子设备及存储介质 | |
| CN112530533B (zh) | 病历文档检测方法、装置及电子设备 | |
| CN111753072B (zh) | 一种分诊的方法、装置、设备以及存储介质 | |
| CN111462894B (zh) | 一种医疗冲突的检测方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |